Penerapan Metode
Fuzzy C-Meansdengan Model
Fuzzy RFM(Studi Kasus :
ClusteringPelanggan Potensial
Online Shop)
Elly Muningsih AMIK BSI Yogyakarta E-Mail : elly.emh@bsi.ac.id
Abstrak
Berkembangnya E-Commerce menjadikan pelaku online shop harus bisa menempatkan pelanggannya dengan baik, karena pelanggan merupakan salah satu sumber keuntungan. Mengetahui nilai potensial pelanggan melalui pelaksanaan CRM (Customer Relationship Management) dapat membantu dalam pemahaman nilai pelanggan. Clustering pelanggan merupakan salah satu cara mengetahui pemetaan pelanggan untuk strategi pemasaran yang lebih baik. Metode Fuzzy C-Means dengan model Fuzzy RFM (Recency, Frequency, Monetary) yang merupakan salah satu metode clustering dimana metode Fuzzy C-Means memberikan hasil yang smooth (halus), artinya bahwa objek pengamatan tidak mutlak untuk menjadi satu kelompok saja, tetapi juga bisa menjadi anggota kelompok lain dengan tingkat keanggotaan yang berbeda-beda. Percobaan menghasilkan clustering pelanggan menjadi 3 kelompok dengan iterasi sebanyak enam kali dan nilai fungsi objektif sebesar 20,75202212. Kata kunci: nilai pelanggan, Fuzzy C-Means, model Fuzzy RFM, clustering
1.
PENDAHULUAN
Pelanggan merupakan sumber
keuntungan dalam perusahaan karena
menduduki posisi penting dalam
pengembangan strategi bisnis. Menurut Chai
dan Chan [1] dijelaskan bahwa permasalahan yang sering dihadapi pemasar adalah kesulitan dalam mengidentifikasi pelanggan
atau nasabah yang tepat, sehingga
menyebabkan perusahaan dapat kehilangan pelanggan potensial yang akan merugikan perusahaan itu sendiri. Hal ini yang juga terjadi pada sebuah online shop di Jogja yang
mengalami kesulitan dalam menentukan pelanggan yang potensial.
Penentuan yang dilakukan selama ini adalah secara manual dan hasil yang di dapat
tidak akurat. Untuk dapat mengatasi
permasalahan yang terjadi, maka online shop
membutuhkan suatu metode untuk
mengidentifikasi dan mengelompokkan
pelanggan potensial menjadi beberapa cluster atau kelompok dengan teknik yang disebut Data Mining. Teknik data mining pada penelitian menggunakan metode Fuzzy C-Means dengan model Fuzzy RFM (Recency, Frequency dan Monetary).
Data mining merupakan sebuah inti dari
proses Knowledge Discovery in Database (KDD) yang memiliki sifat otomatis, dapat
didefinisikan sebagai pengorganisasian
proses untuk pengidentifikasian yang benar, berguna dan penemuan pola dari kumpulan data yang besar dan komplek [2]. Tahapan pada proses KDD pada database ditampilkan pada Gambar 1[2] :
Ada banyak metode atau fungsi data
mining yang bisa digunakan untuk
menemukan, menggali dan menambang pengetahuan, namun menurut [3][4] ada enam fungsi utama data mining, yaitu :
Description (deskripsi), Estimation
(estimasi), Prediction (prediksi),
Classification (klasifikasi), Clustering
(pengelompokan), dan Association (asosiasi). Pada tahun 1981, Jim Bezdek [5] memperkenalkan untuk pertama kalinya metode Fuzzy C-Means (FCM), salah satu metode clustering yang termasuk dalam penggolongan fuzzy clustering berdasarkan uncertainty data. Metode ini menerapkan model pengelompokkan fuzzy agar data bisa menjadi anggota semua cluster dengan tingkat atau derajad keanggotaan yang berbeda yaitu 0 dan 1 yang akan menentukan tingkat keberadaan data dalam suatu cluster atau kelas FCM merupakan pengembangan dari metode non hierarki K-Means cluster, karena pada awalnya ditentukan dulu jumlah kelompok Z atau cluster yang akan dibentuk
kemudian dilakukan iterasi sampai
mendapatkan keanggotaan kelompok tersebut [5].
2.
ALGORITMA
F UZZY C-MEANS (FCM)Algoritma FCM adalah sebagai berikut [6][7]:
1. Input data yang akan di cluster X, berupa
matriks berukuran n x m (n = jumlah sampel data, m = atribut setiap data). Xij = data sampel i (i=1,2,...,n), atribut ke-j (ke-j=1,2,....,m).
X = [
] (1)
2. Tentukan nilai dari :
a. Jumlah cluster = c;
b. Pangkat/Derajat kefuzzy-an= w;
c. Maksimum iterasi = MaxIter;
d. Error terkecil yang diharapkan= ᶓ;
e. Fungsi objektif awal = P0 = 0;
f. Iterasi awal = t = 1;
3. Bangkitkan bilangan random µik i = 1, 2,
..., n; k = 1, 2, ..., c; sebagai elemen-elemen matriks awal U. Hitug jumlah setiap kolom (atribut) :
∑
5. Hitung fungsi obyektif pada iterasi ke-t, Pt
:
6. Hitung perubahan matriks partisi :
7. Cek kondisi berhenti :
Jika : ( | Pt– Pt-1| < ᶓ ) atau ( t > MaxIter ) maka berhenti;
Jika tidak : t = t+1, ulangi langkah ke-4
Penelitian ini bertujuan untuk mengetahui pelanggan potensial melalui proses clustering metode Fuzzy C-Means
dengan model Fuzzy RFM (Recency,
Frequency dan Monetary) berdasarkan
transaksi penjualan pelanggan online shop
sehingga diharapkan bisa menerapkan
strategi pemasaran yang lebih baik sehingga dapat meningkatkan penjualan produk yang pada gilirannya akan akan memberikan efek positif bagi perkembangan perusahaan.
3.
METODE PENELITIAN
Dalam penelitian ini, data diperoleh dari data transaksi penjualan pada online shop Ragam Jogja dan atribut data yang digunakan adalah data transaksi bulan Januari – Juni 2015. Setelah data terkumpul kemudian diolah melalui beberapa tahap pengolahan awal data (preparation data) yaitu validasi data, transformasi data dan seleksi atribut.
Metode yang digunakan dalam
penelitian adalah metode Fuzzy C-Means dengan model fuzzy RFM dimana parameter yang digunakan adalah variabel Recency,
Frequency dan Monetary yang
masing-masing dibagi menjadi 3 kelompok fuzzy yaitu :
1. Recency dibagi menjadi kelompok fuzzy
Baru Saja dengan nilai 3, Agak Lama dengan nilai 2 dan Lama dengan nilai 1.
2. Frequency dibagi menjadi kelompok
fuzzy Sering dengan nilai 3, Agak Sering dengan nilai 2 dan Jarang dengan nilai 1.
3. Monetary dibagi menjadi kelompok
fuzzy Tinggi dengan nilai 3, Sedang dengan nilai 2 dan Rendah dengan nilai 1.
Detail nilai fuzzy dan parameter
ditampilkan pada Tabel 1. berikut :
Tabel 1. Parameter dan Nilai F uzzy
Parameter Nilai Fuzzy Recency Frequency Monetary
Rendah 1 0 < r < 31 hr 0 < f < 3 0 < m < 500.000
Sedang 2 31 hr < r < 60 hr 3 < f < 6 500.000 < m < 1.500.000
Besar 3 r > = 60 hr f > = 6 m > = 1.500.000
Untuk penerapan metode Fuzzy C-Means menggunakan nilai :
a. Jumlah cluster (c) = 3;
b. Pangkat/Derajat kefuzzy-an (w) = 2;
c. Maksimum iterasi (Maxter) = 10;
d. Error terkecil yang diharapkan (ᶓ)= 10-5
e. Fungsi objektif awal (P0) = 0;
f. Iterasi awal (t) = 1;
4.
HASIL DAN PEMBAHASAN
Pengolahan data yang dilakukan pada penelitian berhenti pada iterasi ke-6 dengan hasil seperti ditampilkan pada Tabel 2. berikut :
Tabel 2. Hasil Iterasi Terakhir
Kode Pelanggan
Nilai RFM Kecenderungan Cluster
R F M C1 C2 C3
C1 2 3 2 0,39572208 0,383710503 0,220567417
C2 3 3 3 0,449354136 0,445867836 0,104778028
C3 3 3 2 0,452091559 0,44967003 0,098238411
C4 1 1 1 0,072655573 0,073141381 0,854203046
C5 2 1 1 0,123656799 0,142443381 0,73389982
C6 3 1 1 0,335898875 0,356150976 0,307950148
C7 1 1 1 0,072655573 0,073141381 0,854203046
C8 2 2 2 0,37139356 0,361820808 0,266785632
C9 1 2 2 0,19304383 0,174486871 0,632469299
C10 2 1 1 0,123656799 0,142443381 0,73389982
C12 1 2 1 0,127197825 0,11600061 0,756801565
C13 3 2 3 0,469904657 0,471313033 0,05878231
C14 3 2 2 0,491557311 0,498907445 0,009535244
C15 3 1 2 0,420123332 0,438590026 0,141286642
C16 3 3 2 0,452091559 0,44967003 0,098238411
C17 1 1 1 0,072655573 0,073141381 0,854203046
C18 1 2 2 0,19304383 0,174486871 0,632469299
C19 3 1 2 0,420123332 0,438590026 0,141286642
C20 3 1 2 0,420123332 0,438590026 0,141286642
C21 1 1 1 0,072655573 0,073141381 0,854203046
C22 2 1 2 0,235678685 0,25038837 0,513932945
C23 3 1 2 0,420123332 0,438590026 0,141286642
C24 2 3 3 0,413139709 0,403344288 0,183516003
C25 1 2 1 0,127197825 0,11600061 0,756801565
C26 1 1 1 0,072655573 0,073141381 0,854203046
C27 3 2 1 0,39492599 0,405544745 0,199529266
C28 3 2 2 0,491557311 0,498907445 0,009535244
C29 1 2 2 0,19304383 0,174486871 0,632469299
C30 3 2 2 0,491557311 0,498907445 0,009535244
C31 1 1 2 0,126641998 0,121976751 0,751381251
C32 3 1 2 0,420123332 0,438590026 0,141286642
C33 3 3 3 0,449354136 0,445867836 0,104778028
C34 2 1 1 0,123656799 0,142443381 0,73389982
C35 3 2 3 0,469904657 0,471313033 0,05878231
C36 2 2 2 0,37139356 0,361820808 0,266785632
C37 3 1 1 0,335898875 0,356150976 0,307950148
C38 3 1 3 0,429980962 0,437830718 0,13218832
C39 3 2 2 0,491557311 0,498907445 0,009535244
C40 3 2 2 0,491557311 0,498907445 0,009535244
C41 1 1 1 0,072655573 0,073141381 0,854203046
C42 1 1 1 0,072655573 0,073141381 0,854203046
Cluster yang terbentuk berdasarkan
faktor recency(R), frequency(F) dan
monetary(M). Semakin besar nilai R
menunjukan bahwa pelanggan sering
melakukan transaksi, semakin besar nilai F
menunjukan pelanggan setia terhadap
terhadap produk yang digunakan, dan semakin besar nilai M, menunjukan bahwa nominal transaksi yang dibayarkan semakin besar.
1. Cluster 1 : 8 anggota pelanggan kode
C1,C2, C3, C8, C16, C24, C33 dan C36 dengan pusat cluster ( 1,488612328; 1,333801551; 1,375878298 ), memiliki nilai yang besar dari ketiga faktor, sehingga dapat digolongkan sebagai pelanggan yang sangat potensial.
2. Cluster 2 : 17 anggota pelanggan kode
( 1,45119347; 1,371706172; 1,391145768 ), memiliki nilai frequency dan rata-rata ketiga nilai yang cukup besar, sehingga dapat digolongkan sebagai pelanggan yang potensial.
3. Cluster 3 : 17 anggota pelanggan C4,
C5, C7, C9, C10, C12, C17, C18, C21, C22, C25, C26, C29, C31, C34, C41 dan
C42 dengan pusat cluster (
2,863003043; 1,938097976;
2,194617752 ), memiliki nilai rata-rata ketiga faktor yang kecil, sehingga dapat digolongkan menjadi nasabah yang tidak atau kurang potensial.
5.
KESIMPULAN
Dari penelitian yang dilakukan, metode Fuzzy C-Means dengan model Fuzzy RFM
terbukti dapat melakukan clustering
pelanggan dengan mengelompokkannya ke dalam pelanggan sangat potensial, pelanggan potensial atau dan pelanggan tidak atau kurang potensil. Walaupun hasil yang diharapkan sudah terpenuhi, namun untuk penelitian lebih lanjut bisa dikembangkan dengan penentuan jumlah cluster dengan metode tertentu, melakukan pengukuran atau validasi untuk hasil yang sudah ada atau membandingkan penerapan menggunakan metode lain agar diketahui keakuratannya.
6.
DAFTAR PUSTAKA
[1]. Widiarini, & Wahono, R. S. Algoritma Cluster Dinamik untuk Optimasi Cluster
pada Algoritma K-Means dalam
Pemetaan Nasabah Potensial. Journal of Intelligent Systems , Vol. 1, No. 1, 32-35. 2015.
[2]. Maimon, O., & Rokach, L. Data Mining
and Knowledge Discovery Handbook.
London: Springer Science+Business
Media. 2010
[3]. Larose, D. T. Discovering Knowledge in
Data : An Introduction to Data Mining. Hoboken, New Jersey: John Wiley & Sons, Inc. 2005
[4]. Susanto, S., & Suryadi, D. Pengantar Data Mining : Menggali Pengetahuan dari Bongkahan Data. Yogyakarta: Penerbit ANDI. 2010.
[5]. Kusumadewi, Sri; Hartati, Sri.
Neuro-Fuzzy : Integrasi Sistem Neuro-Fuzzy dan
Jaringan Syaraf.Yogyakarta. Graha
Ilmu. 2009
[6]. Kusumadewi, S., Purnomo, H., Aplikasi
Fuzzy Untuk Pendukung Keputusan, Graha Ilmu, Jakarta. 2010
[7]. Setiawan, F. H. Penerapan Fuzzy
C-Means Dan Apriori Untuk Rekomendasi
Promosi Produk Berdasarkan
Segmentasi Konsumen. Semarang. 2011.
[8]. Zulkarnain. Ilmu Menjual. Yogyakarta :
